Preparación y lectura de datos

Librerías

library(raster)
library(tidyverse)
library(data.table)
library(readxl)
library(GGally)
library(corrplot)
library(leaflet)

Lectura de datos

raw_encuesta <- fread("databases/calidad_vida_ok.csv", encoding = "UTF-8") %>% 
  as_tibble() %>% mutate(
  encuesta_calidad.barrio = case_when(
    encuesta_calidad.barrio == "CABECERA ALTAVISTA" ~ "ALTAVISTA",
    encuesta_calidad.barrio == "CIUDADELA NUEVO OCCIDENTE" ~ "CABECERA URBANA CORREGIMIENTO SAN CRISTÓBAL",
    encuesta_calidad.barrio == "AREA DE EXPANCION SAN CRISTOBAL" ~ "ÁREA DE EXPANSIÓN SAN CRISTÓBAL",
    encuesta_calidad.barrio == "CABECERA SAN CRISTÓBAL" ~ "CABECERA URBANA CORREGIMIENTO SAN CRISTÓBAL",
    encuesta_calidad.barrio == "SAN CRISTOBAL" ~ "CABECERA URBANA CORREGIMIENTO SAN CRISTÓBAL",
    encuesta_calidad.barrio == "PROGRESO  Nº 2" ~ "PROGRESO",
    TRUE ~ encuesta_calidad.barrio
  )
)

Análisis de Discapacidad

Con base en la cantidad de dos, se concluye que éste está asociado al “No”, dado que se espera, en general, que el número de personas discapacitadas sea considerablemente menor al de no discapacitadas.

raw_encuesta %>% 
dplyr::select(paste0("encuesta_calidad.p_", 50:57)) %>%
  mutate_all(as_factor) %>% 
  summary()

##  encuesta_calidad.p_50 encuesta_calidad.p_51 encuesta_calidad.p_52
##  1   :  8152           1   :  4173           1   :  8611          
##  2   :322190           2   :326095           2   :321663          
##  NA's:   232           NA's:   306           NA's:   300          
##  encuesta_calidad.p_53 encuesta_calidad.p_54 encuesta_calidad.p_55
##  1   :  2716           1   :  2752           1   :  4741          
##  2   :327543           2   :327491           2   :325460          
##  NA's:   315           NA's:   331           NA's:   373          
##  encuesta_calidad.p_56 encuesta_calidad.p_57
##  1   :  4184           1   :   442          
##  2   :326059           2   :232249          
##  NA's:   331           NA's: 97883

preguntas_categoricas <- c("encuesta_calidad.p_266", "encuesta_calidad.p_326", "encuesta_calidad.p_329", "encuesta_calidad.p_332", 
                           "encuesta_calidad.p_335", "encuesta_calidad.p_338", "encuesta_calidad.p_341")

Limpieza de los nombres y one-hot encoding

encuesta_salud <- raw_encuesta %>% 
  mutate(discapacidad = case_when(encuesta_calidad.p_50 == 1 ~ 1,
                                  encuesta_calidad.p_51 == 1 ~ 1,
                                  encuesta_calidad.p_52 == 1 ~ 1,
                                  encuesta_calidad.p_53 == 1 ~ 1,
                                  encuesta_calidad.p_54 == 1 ~ 1,
                                  encuesta_calidad.p_55 == 1 ~ 1,
                                  encuesta_calidad.p_56 == 1 ~ 1,
                                  encuesta_calidad.p_57 == 1 ~ 1,
                                  TRUE ~ 0)) %>% 
  mutate_at(vars(preguntas_categoricas), as_factor) %>%
  fastDummies::dummy_cols(remove_selected_columns = TRUE, select_columns = preguntas_categoricas) %>% 
  mutate(encuesta_calidad.barrio = str_replace(encuesta_calidad.barrio, "ANDALUCIA", "ANDALUCÍA") %>% 
  str_replace("Nº 2", "NO.2") %>% 
  str_replace("Nº 1", "NO.1") %>% 
  str_replace("Nº 3", "NO.3") %>%
  str_replace("AREA EXPANSION", "ÁREA DE EXPANSIÓN") %>%
  str_replace("EXPANCION", "EXPANSIÓN") %>% 
  str_replace("AREA", "ÁREA") %>% 
  str_replace("BOMBONA", "BOMBONÁ") %>% 
  str_replace("LA ASOMADERA", "ASOMADERA") %>%
  str_replace("BELALCAZAR", "BELALCÁZAR") %>% 
  str_replace("CALAZANS", "CALASANZ") %>% 
  str_replace("COLON", "COLÓN") %>% 
  str_replace("MIRA FLORES", "MIRAFLORES") %>% 
  str_replace("BARRIO FACULTAD DE MINAS", "FACULTAD DE MINAS") %>% 
  str_replace("CABECERA SAN ANT DE PR.", "SAN ANTONIO DE PRADO") %>% 
  str_replace("CARLOS E RESTREPO", "CARLOS E. RESTREPO") %>% 
  str_replace("URQUITA", "URQUITÁ") %>% 
  str_replace("LOS CERROS EL VERJEL", "LOS CERROS EL VERGEL") %>% 
  str_replace("CAYCEDO", "CAICEDO") %>% 
  str_replace("VALDES", "VALDÉS") %>% 
  str_replace("CERRO EL VOLADOR", "B. CERRO EL VOLADOR") %>% 
  str_replace("MOSCU", "MOSCÚ") %>% 
  str_replace("JOSELA", "JOSÉ LA") %>%
  str_replace("JOSE", "JOSÉ") %>% 
  str_replace("EL YOLOMBO", "YOLOMBO") %>% 
  str_replace("PIEDRAS BLANCAS", "PIEDRAS BLANCAS - MATASANO") %>% 
  str_replace("BASILIA", "BRASILIA") %>% 
  str_replace("VILLA TINA", "VILLATINA") %>% 
  str_replace("LILIAM", "LILLIAM") %>% 
  str_replace("BOLIVAR", "BOLÍVAR") %>% 
  str_replace("CORREGIMIENTO PALMITAS", "PALMITAS SECTOR CENTRAL") %>% 
  str_replace("INES", "INÉS") %>% 
  str_replace("FE", "FÉ") %>% 
  str_replace("LUCIA", "LUCÍA") %>% 
  str_replace("SABIO", "SAVIO") %>% 
  str_replace("BERMEJAL- LOS ÁLAMOS", "BERMEJAL-LOS ÁLAMOS") %>% 
  str_replace("BOLÍVARIANA", "BOLIVARIANA") %>% 
  str_replace("EL NOGAL - LOS ALMENDROS", "EL NOGAL-LOS ALMENDROS") %>% 
  str_replace("JUAN XXIII - LA QUIEBRA", "JUAN XXIII LA QUIEBRA") %>% 
  str_replace("PROGRESO  Nº 2", "EL PROGRESO") %>% 
  str_replace("MARIA", "MARÍA") %>% 
  str_replace("PLAYÓN", "PLAYON") %>% 
  str_replace("EL SOCORRO / LA GABRIELA", "EL SOCORRO") %>% 
  str_replace("FÉRRINI", "FERRINI") %>% 
  str_replace("LA CANDE LARIA", "LA CANDELARIA") %>%
  str_replace("EL PLAYON", "PLAYÓN") %>%
  str_replace("IGUANA", "IGUANÁ") %>%
  str_replace("MARÍA CANO - CARAMBOLAS", "MARÍA CANO-CARAMBOLAS") %>%
  str_replace("DE ABURRA", "DEL ABURRÁ") %>%
  str_replace("ALTAVISTA CENTRAL", "ALTAVISTA SECTOR CENTRAL") %>%
  str_replace("SECTOR CENTRAL", "CENTRO ADMINISTRATIVO") %>%
  str_replace("ALTAVISTA CENTRO ADMINISTRATIVO", "ALTAVISTA SECTOR CENTRAL") %>%
  str_replace("SANTA ELENA CENTRO ADMINISTRATIVO", "SANTA ELENA SECTOR CENTRAL") %>%
  str_replace("PALMITAS CENTRO ADMINISTRATIVO", "PALMITAS SECTOR CENTRAL") %>%  
  str_replace("PROGRESO", "EL PROGRESO")
  )

Construcción de la base de datos

factors <- c("encuesta_calidad.barrio", "encuesta_calidad.comuna")

db_salud <- encuesta_salud %>%
  group_by(encuesta_calidad.barrio, encuesta_calidad.comuna) %>% 
  dplyr::summarize(n = n(),
            discapacidad = sum(discapacidad == 1, na.rm = TRUE)/sum(!is.na(discapacidad), na.rm = TRUE),
            acceso_salud = mean(`encuesta_calidad.p_265`, na.rm = TRUE),
            calidad_salud_1 = sum(`encuesta_calidad.p_266_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_1`), na.rm = TRUE),
            calidad_salud_2 = sum(`encuesta_calidad.p_266_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_2`), na.rm = TRUE),
            calidad_salud_3 = sum(`encuesta_calidad.p_266_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_3`), na.rm = TRUE),
            calidad_salud_4 = sum(`encuesta_calidad.p_266_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_4`), na.rm = TRUE),
            calidad_salud_5 = sum(`encuesta_calidad.p_266_5` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_266_5`), na.rm = TRUE),
            morbilidad_30 = sum(`encuesta_calidad.p_324` == 1, na.rm = TRUE)/
              sum(!is.na(`encuesta_calidad.p_324`), na.rm = TRUE),
            motivo_negacion_1 = sum(`encuesta_calidad.p_326_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_1`), na.rm = TRUE),
            motivo_negacion_2 = sum(`encuesta_calidad.p_326_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_2`), na.rm = TRUE),
            motivo_negacion_3 = sum(`encuesta_calidad.p_326_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_3`), na.rm = TRUE),
            motivo_negacion_4 = sum(`encuesta_calidad.p_326_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_4`), na.rm = TRUE),
            motivo_negacion_5 = sum(`encuesta_calidad.p_326_5` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_5`), na.rm = TRUE),
            motivo_negacion_6 = sum(`encuesta_calidad.p_326_6` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_6`), na.rm = TRUE),
            motivo_negacion_7 = sum(`encuesta_calidad.p_326_7` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_7`), na.rm = TRUE),
            motivo_negacion_8 = sum(`encuesta_calidad.p_326_8` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_8`), na.rm = TRUE),
            motivo_negacion_9 = sum(`encuesta_calidad.p_326_9` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_326_9`), na.rm = TRUE),
            conteo_prevencion = median(`encuesta_calidad.p_328`, na.rm = TRUE),
            calidad_prevencion_1 = sum(`encuesta_calidad.p_329_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_329_1`), na.rm = TRUE),
            calidad_prevencion_2 = sum(`encuesta_calidad.p_329_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_329_2`), na.rm = TRUE),
            calidad_prevencion_3 = sum(`encuesta_calidad.p_329_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_329_3`), na.rm = TRUE),
            calidad_prevencion_4 = sum(`encuesta_calidad.p_329_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_329_4`), na.rm = TRUE),
            consulta_medico_general = mean(`encuesta_calidad.p_331`, na.rm = TRUE),
            calidad_med_general_1 = sum(`encuesta_calidad.p_332_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_332_1`), na.rm = TRUE),
            calidad_med_general_2 = sum(`encuesta_calidad.p_332_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_332_2`), na.rm = TRUE),
            calidad_med_general_3 = sum(`encuesta_calidad.p_332_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_332_3`), na.rm = TRUE),
            calidad_med_general_4 = sum(`encuesta_calidad.p_332_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_332_4`), na.rm = TRUE),
            consulta_medico_especialista = mean(`encuesta_calidad.p_334`, na.rm = TRUE),
            calidad_med_especial_1 = sum(`encuesta_calidad.p_335_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_335_1`), na.rm = TRUE),
            calidad_med_especial_2 = sum(`encuesta_calidad.p_335_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_335_2`), na.rm = TRUE),
            calidad_med_especial_3 = sum(`encuesta_calidad.p_335_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_335_3`), na.rm = TRUE),
            calidad_med_especial_4 = sum(`encuesta_calidad.p_335_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_335_4`), na.rm = TRUE),
            consulta_urgencias = mean(`encuesta_calidad.p_337`, na.rm = TRUE),
            calidad_urgencias_1 = sum(`encuesta_calidad.p_338_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_338_1`), na.rm = TRUE),
            calidad_urgencias_2 = sum(`encuesta_calidad.p_338_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_338_2`), na.rm = TRUE),
            calidad_urgencias_3 = sum(`encuesta_calidad.p_338_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_338_3`), na.rm = TRUE),
            calidad_urgencias_4 = sum(`encuesta_calidad.p_338_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_338_4`), na.rm = TRUE),
            hospitalizacion = mean(`encuesta_calidad.p_340`, na.rm = TRUE),
            calidad_hospitalizacion_1 = sum(`encuesta_calidad.p_341_1` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_341_1`), na.rm = TRUE),
            calidad_hospitalizacion_2 = sum(`encuesta_calidad.p_341_2` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_341_2`), na.rm = TRUE),
            calidad_hospitalizacion_3 = sum(`encuesta_calidad.p_341_3` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_341_3`), na.rm = TRUE),
            calidad_hospitalizacion_4 = sum(`encuesta_calidad.p_341_4` == 1, na.rm = TRUE)/sum(!is.na(`encuesta_calidad.p_341_4`), na.rm = TRUE),
            ) %>% ungroup() %>% 
  mutate_all(~replace_na(., 0)) %>% 
  mutate_at(factors, as_factor) %>% 
  filter(encuesta_calidad.barrio != "DESCONOCIDO")

db_salud %>% 
  head()

encuesta_calidad.barrio	encuesta_calidad.comuna	n	discapacidad	acceso_salud	calidad_salud_1	calidad_salud_2	calidad_salud_3	calidad_salud_4	calidad_salud_5	morbilidad_30	motivo_negacion_1	motivo_negacion_2	motivo_negacion_4	motivo_negacion_5	motivo_negacion_6	motivo_negacion_9	conteo_prevencion	calidad_prevencion_1	calidad_prevencion_2	calidad_prevencion_3	calidad_prevencion_4	consulta_medico_general	calidad_med_general_1	calidad_med_general_2	calidad_med_general_3	calidad_med_general_4	consulta_medico_especialista	calidad_med_especial_1	calidad_med_especial_2	calidad_med_especial_3	calidad_med_especial_4	consulta_urgencias	calidad_urgencias_1	calidad_urgencias_2	calidad_urgencias_3	calidad_urgencias_4	hospitalizacion	calidad_hospitalizacion_1	calidad_hospitalizacion_2	calidad_hospitalizacion_3	calidad_hospitalizacion_4
AGUAS FRÍAS	ALTAVISTA	126	0.0634921	2.793651	0.0555556	0.3888889	0.2222222	0.1111111	0.2222222	0.2173913	0.0000000	0.0000000	0.0000000	0.0000000	0.0000000	0.0000000	1.5	0.2	0.3000000	0.5000000	0.0000000	4.033333	0.0666667	0.1000000	0.7666667	0.0666667	3.076923	0.0000000	0.0000000	0.8461538	0.1538462	1.352941	0.0000000	0.0000000	0.8235294	0.1764706	2.000000	0.0000000	0.0000000	0.8000000	0.2000000
ALDEA PABLO VI	POPULAR	426	0.0492958	3.000000	0.0448113	0.1297170	0.2948113	0.4504717	0.0801887	0.1918605	0.0000000	0.0000000	0.2500000	0.0000000	0.0000000	0.7500000	1.0	0.0	0.0000000	0.9047619	0.0952381	1.897959	0.0000000	0.2244898	0.6122449	0.1632653	1.837838	0.0810811	0.0000000	0.5945946	0.3243243	2.176471	0.1764706	0.0000000	0.5882353	0.2352941	1.000000	0.0000000	0.0000000	1.0000000	0.0000000
ALEJANDRÍA	EL POBLADO	709	0.0606488	3.187683	0.0640466	0.1630277	0.2358079	0.4061135	0.1310044	0.1228448	1.0000000	0.0000000	0.0000000	0.0000000	0.0000000	0.0000000	2.0	0.0	0.0312500	0.9218750	0.0468750	2.637795	0.0708661	0.0472441	0.7007874	0.1811024	2.098159	0.0122699	0.0000000	0.6380368	0.3496933	1.506849	0.0684932	0.1232877	0.6438356	0.1643836	1.142857	0.0000000	0.0000000	0.8095238	0.1904762
ALEJANDRO ECHAVARRÍA	BUENOS AIRES	1094	0.0557587	3.008349	0.0593692	0.2124304	0.3153989	0.3191095	0.0936920	0.1242515	0.1818182	0.1818182	0.0000000	0.3636364	0.0000000	0.2727273	2.0	0.0	0.0833333	0.6428571	0.2738095	3.480100	0.0099502	0.1990050	0.6990050	0.0920398	2.483516	0.0256410	0.0476190	0.7838828	0.1428571	2.406667	0.2000000	0.2333333	0.4933333	0.0733333	1.612903	0.0967742	0.2419355	0.5483871	0.1129032
ALFONSO LÓPEZ	CASTILLA	1994	0.0737212	2.928390	0.0696846	0.2024415	0.2802645	0.3672431	0.0803662	0.1804424	0.4883721	0.0000000	0.1162791	0.1395349	0.0697674	0.1860465	2.0	0.0	0.1346154	0.7980769	0.0673077	2.635910	0.0748130	0.2094763	0.6658354	0.0498753	2.162162	0.0405405	0.1756757	0.7027027	0.0810811	1.552764	0.1959799	0.2814070	0.4924623	0.0301508	1.063492	0.0000000	0.0793651	0.7142857	0.2063492
ALTAMIRA	ROBLEDO	755	0.0622517	2.842876	0.0519308	0.2250333	0.3941411	0.2396804	0.0892144	0.1082251	0.3333333	0.0000000	0.0000000	0.6666667	0.0000000	0.0000000	2.0	0.0	0.0000000	0.8750000	0.1250000	3.175439	0.0614035	0.1798246	0.6973684	0.0614035	2.338710	0.0322581	0.1693548	0.5806452	0.2177419	1.867647	0.2794118	0.2500000	0.4705882	0.0000000	1.142857	0.0000000	0.0000000	1.0000000	0.0000000

Descripción de las variables y análisis descriptivo de la base de datos construida

La base de datos se ha construido agrupando las encuestas individuales de acuerdo al barrio y la comuna en que fueron realizadas, de ésta manera, se obtiena una base de datos con 308 observaciones (barrios) y 45 variables.

Descripción de las variables

encuesta_calidad.barrio: barrio analizado - unidad de análisis.
encuesta_calidad.comuna: comuna del barrio analizado.
n: número de respuestas de la encuesta de calidad de vida en el barrio correspondiente.
discapacidad: Proporción de personas encuestadas que presentan alguna discapacidad para caminar, usar brazos o manos, ver, si requiere aparatos especiales, hablar, entender o aprender, problemas emocionales o mentales o síndrome de down.
acceso_salud: El promedio de calificación en una escala de 1 (peor) a 5 (mejor) de cómo perciben las personas de este barrio en su hogar el acceso a la salud.
calidad_salud (1-5): Estas variables son la proporción de personas en el barrio que seleccionaron diferentes categorías cuando les preguntaron por la calidad de los servicios de salud de la siguiente manera: Muy mala (1), Mala (2), Aceptable (3), Buena (4), Muy buena (5). La suma de las proporciones dentro de estas cinco variables siempre debe sumar 1 para cada barrio.
morbilidad_30: Proporción de personas dentro del barrio que respondió “Sí” a la siguiente pregunta: ¿En los últimos 30 días, tuvo alguna enfermedad, accidente, problema odontológico, o algún otro problema de salud que no haya implicado hospitalización?
motivo_negacion (1-9): Proporción de personas encuestadas que respondió a la pregunta: Cuál fue la principal razón por la que no solicitó o no recibió atención por el problema de salud? con las categorías especificadas en la siguiente tabla:

categoría	descripción
1	El caso era leve
2	No tuvo tiempo
3	El centro de Atención en salud queda lejos
4	Falta dinero
5	Mal servicio o citas distanciadas en el tiempo
6	No lo atendieron
7	No confía en los médicos o personal de salud
8	Consultó antes y no le resolvieron el problema
9	Muchos trámites para la cita

conteo_prevencion: Mediana dentro del barrio del número de veces que los encuestados utilizaron servicios de promoción y prevención.
calidad_prevencion (1-4): Estas variables son la proporción de personas en el barrio que seleccionaron diferentes categorías cuando les preguntaron por la calidad de los servicios de promoción y prevención de la siguiente manera: Mala (1), Regular (2), Buena (3), Excelente (4). La suma de las proporciones dentro de estas cinco variables siempre debe sumar 1 para cada barrio.
consulta_medico_general: Promedio dentro del barrio del número de veces que los encuestados acudieron a consultas de medicina general.
calidad_med_general (1-4): Estas variables son la proporción de personas en el barrio que seleccionaron diferentes categorías cuando les preguntaron por la calidad de las consultas con médico general de la siguiente manera: Mala (1), Regular (2), Buena (3), Excelente (4). La suma de las proporciones dentro de estas cinco variables siempre debe sumar 1 para cada barrio.
consulta_medico_especial: Promedio dentro del barrio del número de veces que los encuestados acudieron a consultas de medicina especializada.
calidad_med_especial (1-4): Estas variables son la proporción de personas en el barrio que seleccionaron diferentes categorías cuando les preguntaron por la calidad de las consultas con médico especialista de la siguiente manera: Mala (1), Regular (2), Buena (3), Excelente (4). La suma de las proporciones dentro de estas cinco variables siempre debe sumar 1 para cada barrio.
consulta_urgencias: Promedio dentro del barrio del número de veces que los encuestados acudieron a los servicios de urgencias.
calidad_urgencias (1-4): Estas variables son la proporción de personas en el barrio que seleccionaron diferentes categorías cuando les preguntaron por la calidad de los servicios de urgencias de la siguiente manera: Mala (1), Regular (2), Buena (3), Excelente (4). La suma de las proporciones dentro de estas cinco variables siempre debe sumar 1 para cada barrio.
hospitalizacion: Promedio dentro del barrio del número de veces que los encuestados acudieron a los servicios de urgencias.
calidad_hospitalizacion (1-4): Estas variables son la proporción de personas en el barrio que seleccionaron diferentes categorías cuando les preguntaron por la calidad de los servicios de hospitalización de la siguiente manera: Mala (1), Regular (2), Buena (3), Excelente (4). La suma de las proporciones dentro de estas cinco variables siempre debe sumar 1 para cada barrio.

Resumen de medias y cuartiles

summary(db_salud)

##  encuesta_calidad.barrio  encuesta_calidad.comuna       n         
##  SAN PABLO   :  3        EL POBLADO   : 22        Min.   :   4.0  
##  ALTAVISTA   :  2        ROBLEDO      : 22        1st Qu.: 348.8  
##  EL LLANO    :  2        BELEN        : 21        Median : 862.5  
##  EL SALADO   :  2        SAN CRISTOBAL: 20        Mean   :1073.2  
##  LA ESPERANZA:  2        SAN JAVIER   : 19        3rd Qu.:1439.0  
##  LA FLORIDA  :  2        VILLA HERMOSA: 18        Max.   :8987.0  
##  (Other)     :295        (Other)      :186                        
##   discapacidad      acceso_salud   calidad_salud_1   calidad_salud_2 
##  Min.   :0.00000   Min.   :2.339   Min.   :0.00000   Min.   :0.0000  
##  1st Qu.:0.05731   1st Qu.:2.871   1st Qu.:0.05246   1st Qu.:0.1452  
##  Median :0.06985   Median :2.955   Median :0.06958   Median :0.1685  
##  Mean   :0.07277   Mean   :2.957   Mean   :0.07624   Mean   :0.1745  
##  3rd Qu.:0.08214   3rd Qu.:3.048   3rd Qu.:0.09238   3rd Qu.:0.1956  
##  Max.   :0.50000   Max.   :3.656   Max.   :0.50000   Max.   :0.8667  
##                                                                      
##  calidad_salud_3  calidad_salud_4  calidad_salud_5   morbilidad_30   
##  Min.   :0.0000   Min.   :0.0000   Min.   :0.00000   Min.   :0.0000  
##  1st Qu.:0.2918   1st Qu.:0.3022   1st Qu.:0.06175   1st Qu.:0.1059  
##  Median :0.3285   Median :0.3345   Median :0.08171   Median :0.1413  
##  Mean   :0.3306   Mean   :0.3339   Mean   :0.08474   Mean   :0.1423  
##  3rd Qu.:0.3618   3rd Qu.:0.3721   3rd Qu.:0.10248   3rd Qu.:0.1787  
##  Max.   :1.0000   Max.   :0.6750   Max.   :0.28378   Max.   :0.5714  
##                                                                      
##  motivo_negacion_1 motivo_negacion_2 motivo_negacion_3 motivo_negacion_4
##  Min.   :0.0000    Min.   :0.00000   Min.   :0.00000   Min.   :0.00000  
##  1st Qu.:0.0000    1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000  
##  Median :0.2918    Median :0.00000   Median :0.00000   Median :0.00000  
##  Mean   :0.3285    Mean   :0.04847   Mean   :0.02234   Mean   :0.09997  
##  3rd Qu.:0.5411    3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.15486  
##  Max.   :1.0000    Max.   :1.00000   Max.   :1.00000   Max.   :1.00000  
##                                                                         
##  motivo_negacion_5 motivo_negacion_6 motivo_negacion_7 motivo_negacion_8
##  Min.   :0.0000    Min.   :0.00000   Min.   :0.00000   Min.   :0.00000  
##  1st Qu.:0.0000    1st Qu.:0.00000   1st Qu.:0.00000   1st Qu.:0.00000  
##  Median :0.0000    Median :0.00000   Median :0.00000   Median :0.00000  
##  Mean   :0.1205    Mean   :0.03756   Mean   :0.02806   Mean   :0.03153  
##  3rd Qu.:0.1895    3rd Qu.:0.00000   3rd Qu.:0.00000   3rd Qu.:0.00000  
##  Max.   :1.0000    Max.   :1.00000   Max.   :1.00000   Max.   :1.00000  
##                                                                         
##  motivo_negacion_9 conteo_prevencion calidad_prevencion_1 calidad_prevencion_2
##  Min.   :0.00000   Min.   : 0.00     Min.   :0.00000      Min.   :0.00000     
##  1st Qu.:0.00000   1st Qu.: 1.00     1st Qu.:0.00000      1st Qu.:0.00000     
##  Median :0.00000   Median : 1.75     Median :0.00000      Median :0.05109     
##  Mean   :0.09159   Mean   : 1.76     Mean   :0.01878      Mean   :0.07173     
##  3rd Qu.:0.10000   3rd Qu.: 2.00     3rd Qu.:0.02941      3rd Qu.:0.11111     
##  Max.   :1.00000   Max.   :12.00     Max.   :0.35484      Max.   :0.71429     
##                                                                               
##  calidad_prevencion_3 calidad_prevencion_4 consulta_medico_general
##  Min.   :0.0000       Min.   :0.00000      Min.   :0.000          
##  1st Qu.:0.7074       1st Qu.:0.00000      1st Qu.:2.535          
##  Median :0.8006       Median :0.07376      Median :2.908          
##  Mean   :0.7540       Mean   :0.10352      Mean   :2.978          
##  3rd Qu.:0.8830       3rd Qu.:0.15427      3rd Qu.:3.357          
##  Max.   :1.0000       Max.   :1.00000      Max.   :8.400          
##                                                                   
##  calidad_med_general_1 calidad_med_general_2 calidad_med_general_3
##  Min.   :0.00000       Min.   :0.00000       Min.   :0.0000       
##  1st Qu.:0.02015       1st Qu.:0.08371       1st Qu.:0.6586       
##  Median :0.04809       Median :0.13869       Median :0.7138       
##  Mean   :0.05246       Mean   :0.13405       Mean   :0.7097       
##  3rd Qu.:0.07143       3rd Qu.:0.18340       3rd Qu.:0.7706       
##  Max.   :0.66667       Max.   :0.57143       Max.   :1.0000       
##                                                                   
##  calidad_med_general_4 consulta_medico_especialista calidad_med_especial_1
##  Min.   :0.00000       Min.   :0.000                Min.   :0.00000       
##  1st Qu.:0.04827       1st Qu.:1.928                1st Qu.:0.00000       
##  Median :0.08281       Median :2.267                Median :0.02113       
##  Mean   :0.09077       Mean   :2.289                Mean   :0.03407       
##  3rd Qu.:0.11986       3rd Qu.:2.602                3rd Qu.:0.04721       
##  Max.   :0.55556       Max.   :5.833                Max.   :0.61538       
##                                                                           
##  calidad_med_especial_2 calidad_med_especial_3 calidad_med_especial_4
##  Min.   :0.00000        Min.   :0.0000         Min.   :0.00000       
##  1st Qu.:0.01903        1st Qu.:0.6403         1st Qu.:0.07966       
##  Median :0.06848        Median :0.7098         Median :0.14866       
##  Mean   :0.08072        Mean   :0.6989         Mean   :0.16034       
##  3rd Qu.:0.11662        3rd Qu.:0.7801         3rd Qu.:0.21807       
##  Max.   :0.70000        Max.   :1.0000         Max.   :1.00000       
##                                                                      
##  consulta_urgencias calidad_urgencias_1 calidad_urgencias_2 calidad_urgencias_3
##  Min.   :0.000      Min.   :0.00000     Min.   :0.0000      Min.   :0.0000     
##  1st Qu.:1.571      1st Qu.:0.07508     1st Qu.:0.1049      1st Qu.:0.4608     
##  Median :1.869      Median :0.16441     Median :0.1732      Median :0.5409     
##  Mean   :1.943      Mean   :0.17173     Mean   :0.1743      Mean   :0.5448     
##  3rd Qu.:2.235      3rd Qu.:0.22982     3rd Qu.:0.2474      3rd Qu.:0.6250     
##  Max.   :9.312      Max.   :1.00000     Max.   :1.0000      Max.   :1.0000     
##                                                                                
##  calidad_urgencias_4 hospitalizacion calidad_hospitalizacion_1
##  Min.   :0.0000      Min.   :0.000   Min.   :0.00000          
##  1st Qu.:0.0000      1st Qu.:1.072   1st Qu.:0.00000          
##  Median :0.0553      Median :1.360   Median :0.00000          
##  Mean   :0.0800      Mean   :1.432   Mean   :0.04243          
##  3rd Qu.:0.1025      3rd Qu.:1.667   3rd Qu.:0.06130          
##  Max.   :1.0000      Max.   :6.000   Max.   :0.71429          
##                                                               
##  calidad_hospitalizacion_2 calidad_hospitalizacion_3 calidad_hospitalizacion_4
##  Min.   :0.00000           Min.   :0.0000            Min.   :0.0000           
##  1st Qu.:0.00000           1st Qu.:0.5225            1st Qu.:0.0000           
##  Median :0.05064           Median :0.6667            Median :0.1346           
##  Mean   :0.09972           Mean   :0.6287            Mean   :0.1610           
##  3rd Qu.:0.15016           3rd Qu.:0.7968            3rd Qu.:0.2363           
##  Max.   :1.00000           Max.   :1.0000            Max.   :1.0000           
##

Barrios con menor representación y notas en el tamaño de muestra

db_salud %>% 
  arrange(n) %>% 
  head()

encuesta_calidad.barrio	encuesta_calidad.comuna	n	discapacidad	acceso_salud	calidad_salud_1	calidad_salud_2	calidad_salud_3	calidad_salud_4	calidad_salud_5	morbilidad_30	conteo_prevencion	calidad_prevencion_3	consulta_medico_general	calidad_med_general_2	calidad_med_general_3	consulta_medico_especialista	calidad_med_especial_3	calidad_med_especial_4	consulta_urgencias	calidad_urgencias_1	calidad_urgencias_3	hospitalizacion	calidad_hospitalizacion_3
EL CARMELO	SAN CRISTOBAL	4	0.0	3.000000	0.0000000	0.0000000	1.0000000	0.0000000	0.0	0.0000000	0	0	0.000000	0.0000000	0.0000000	0	0.0	0.0	0	0.0	0.0	0	0
GUAYAQUIL	LA CANDELARIA	4	0.5	2.500000	0.5000000	0.0000000	0.0000000	0.5000000	0.0	0.0000000	2	1	3.000000	0.0000000	1.0000000	2	1.0	0.0	5	0.0	1.0	1	1
LA ILUSIÓN	SAN CRISTOBAL	6	0.0	3.500000	0.0000000	0.0000000	1.0000000	0.0000000	0.0	0.0000000	0	0	0.000000	0.0000000	0.0000000	0	0.0	0.0	0	0.0	0.0	0	0
SAN PABLO	GUAYABAL	9	0.0	2.555556	0.4444444	0.0000000	0.5555556	0.0000000	0.0	0.1111111	0	0	5.400000	0.0000000	1.0000000	2	0.8	0.2	1	0.8	0.2	1	1
SAN JOSÉ	SAN ANTONIO DE PRADO	10	0.3	2.800000	0.0000000	0.2000000	0.0000000	0.6000000	0.2	0.0000000	2	1	1.000000	0.0000000	1.0000000	0	0.0	0.0	2	0.0	1.0	0	0
BOQUERÓN	SAN CRISTOBAL	15	0.0	2.466667	0.0000000	0.8666667	0.0000000	0.1333333	0.0	0.3076923	3	1	5.857143	0.5714286	0.4285714	0	0.0	0.0	2	0.0	1.0	0	0

Luego de identificar los barrios con pocas observaciones, se asumirá que el muestreo fue realizado correctamente y por lo tanto consideramos inclusive las muestras con 4 observaciones como significativas, por lo que no se alterarán las conclusiones con respecto a los máximos y mínimos por cada variable.

Análisis de correlación

salud_cor <- db_salud %>%
  select_if(is.numeric) %>% 
  dplyr::select(-n) %>%
  .[complete.cases(.),] %>% 
  cor()

corrplot(salud_cor, type = "upper", order = "hclust", tl.col = "black", tl.srt = 45)

No se identifican gran cantidad de variables correlacionadas. Seleccionemos ahora las variables de interés a partir del gráfico de correlación para ver sus gráficos de dispersión y correlaciones exactas.

ggpairs(data = db_salud %>% 
          dplyr::select(acceso_salud,
                        calidad_salud_1,
                        calidad_salud_3,
                        calidad_salud_4,
                        calidad_salud_5),
       mapping = aes(alpha = 0.7))

De todas las proporciones graficadas, la calidad percibida de la salud es la más correlacionada con el acceso a ésta.

Este resultado es esperado ya que las preguntas son similares en el sentido de que ambas son calificaciones percibidas dadas por el encuestado.

Escalamiento de datos

salud_scaled <- db_salud %>% 
  mutate_at(vars(-n, -encuesta_calidad.barrio, -encuesta_calidad.comuna), scale)

Agrupamiento mediante k-Means

Se utilizará la metodología de Elbow para identificar el k óptimo que ofreza una menor distancia entre clusters como medida de error wss.

clustering_salud <- salud_scaled %>% 
  dplyr::select(-n, -encuesta_calidad.barrio, -encuesta_calidad.comuna)

k_maximo <- 15

wss <- sapply(1:k_maximo, 
              function(k) {
                kmeans(clustering_salud, k, nstart = 10, iter.max = 15 )$tot.withinss
              })

plot(1:k_maximo, wss,
     type="b", pch = 19, frame = FALSE, 
     xlab="Número de grupos [K]",
     ylab="Total de suma de cuadrados intra-grupos")

k_optimo_kmeans <- 10
k_seleccionado <- 5

Para favorecer la interpretabilidad y teniendo en cuenta que no hay agrupamientos incorrectos, se decide utilizar 5 grupos y realizar su análisis descriptivo que permita llegar a conclusiones dicientes de los barrios analizados.

Agrupamiento con \(K\) seleccionado

Se fija la semilla de números aleatorios para garantizar la reproducibilidad de las conclusiones del agrupamiento, dado que el algoritmo k-Means toma grupos iniciales aleatorios para cada n_start.

set.seed(3)
agrupamiento_kmeans <- kmeans(clustering_salud, centers = k_seleccionado, nstart = 10, iter.max = 15)
db_salud_kmeans <- bind_cols(db_salud, cluster = agrupamiento_kmeans$cluster)

Mapa para el agrupamiento mediante K-means

political <- shapefile("Barrio_Vereda/Barrio_Vereda.shp")
Encoding(political@data$NOMBRE) <- "UTF-8"
political$NOMBRE <- political$NOMBRE %>% toupper() %>% str_replace("DE  MESA", "DE MESA")

grupos_barrios <- data.frame(barrio_nombre = db_salud$encuesta_calidad.barrio, grupo = agrupamiento_kmeans$cluster)
nombres_mapa <- data.frame(nombre_barrio = political$NOMBRE)

vector_nombres = c()
vector_grupos = c()

for(nombre_mapa in nombres_mapa$nombre_barrio) {
  grupo <- grupos_barrios[grupos_barrios$barrio_nombre == nombre_mapa, 2][1]
  vector_nombres <- c(vector_nombres, nombre_mapa)
  vector_grupos <- c(vector_grupos, grupo)
}


factpal <- colorFactor(rainbow(k_seleccionado), vector_grupos)

mapa_grupos <- tibble(
  nombre_barrio = vector_nombres, 
  grupo = vector_grupos,
  color = factpal(grupo),
  descripcion = case_when(
    grupo == 1 ~ "Grupo 1: Alto uso de recursos, mayor discapacidad",
    grupo == 2 ~ "Grupo 2: Bajo uso de recursos - Periferia",
    grupo == 3 ~ "Grupo 3: Mayor calidad y acceso a salud",
    grupo == 4 ~ "Grupo 4: Enfoque en Prevención",
    grupo == 5 ~ "Grupo 5: Alta morbilidad y baja percepción de calidad",
    TRUE ~ "Sin muestra representativa")
)

colores <- mapa_grupos %>%
  dplyr::select(-nombre_barrio) %>% 
  distinct(color, .keep_all = TRUE) %>% 
  arrange(desc(grupo))

leaflet(data = political) %>% 
  addTiles() %>% 
  addProviderTiles(providers$OpenStreetMap) %>% 
  addPolygons(fill = TRUE, stroke = TRUE, weight = 2, color = mapa_grupos$color, 
              label = as.character(political$NOMBRE),
              popup = as.character(political$NOMBRE)) %>% 
  addLegend("bottomright", colors = colores$color, labels = as.character(colores$descripcion))

Análisis descriptivo de los grupos obtenidos con k-means

Para este análisis se utiliza la siguiente convención de medidas descriptivas: media (desviación estándar)

media_sd <- function(variable) {
  paste0(round(mean(variable), 4), " (", round(sd(variable), 4), ")")
}

db_salud_kmeans %>%
  dplyr::select(-encuesta_calidad.barrio, -encuesta_calidad.comuna, -n) %>% 
  group_by(cluster) %>% 
  summarise_all(~media_sd(.))

cluster	discapacidad	acceso_salud	calidad_salud_1	calidad_salud_2	calidad_salud_3	calidad_salud_4	calidad_salud_5	morbilidad_30	motivo_negacion_1	motivo_negacion_2	motivo_negacion_3	motivo_negacion_4	motivo_negacion_5	motivo_negacion_6	motivo_negacion_7	motivo_negacion_8	motivo_negacion_9	conteo_prevencion	calidad_prevencion_1	calidad_prevencion_2	calidad_prevencion_3	calidad_prevencion_4	consulta_medico_general	calidad_med_general_1	calidad_med_general_2	calidad_med_general_3	calidad_med_general_4	consulta_medico_especialista	calidad_med_especial_1	calidad_med_especial_2	calidad_med_especial_3	calidad_med_especial_4	consulta_urgencias	calidad_urgencias_1	calidad_urgencias_2	calidad_urgencias_3	calidad_urgencias_4	hospitalizacion	calidad_hospitalizacion_1	calidad_hospitalizacion_2	calidad_hospitalizacion_3	calidad_hospitalizacion_4
1	0.1039 (0.0989)	2.7959 (0.2405)	0.1141 (0.127)	0.2427 (0.1699)	0.2841 (0.1601)	0.2961 (0.1557)	0.0631 (0.0741)	0.1094 (0.1331)	0.08 (0.243)	0 (0)	0.037 (0.1925)	0.0206 (0.1069)	0.0106 (0.055)	0 (0)	0 (0)	0 (0)	0.1111 (0.3203)	2.3148 (2.4696)	0 (0)	0.0192 (0.0482)	0.7768 (0.385)	0.0188 (0.0549)	3.5932 (1.5984)	0.0144 (0.0411)	0.0972 (0.144)	0.8653 (0.1567)	0.0231 (0.0445)	1.9898 (1.134)	0.0093 (0.0334)	0.0247 (0.0658)	0.8201 (0.2771)	0.0718 (0.1344)	2.341 (1.9364)	0.1845 (0.3185)	0.0262 (0.0667)	0.6575 (0.382)	0.0207 (0.0651)	1.2375 (1.2168)	0.0139 (0.0722)	0.0656 (0.2074)	0.5787 (0.4661)	0.0825 (0.231)
2	0.0488 (0.0539)	3.0554 (0.2706)	0.0344 (0.0437)	0.0686 (0.0639)	0.6713 (0.2962)	0.187 (0.2152)	0.0387 (0.0625)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0.1667 (0.4082)	0 (0)	0 (0)	0 (0)	0.1667 (0.4082)	0.9375 (1.4572)	0.0278 (0.068)	0.0486 (0.1191)	0.2569 (0.4236)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0.3889 (0.9526)	0 (0)	0.1667 (0.4082)	0 (0)	0 (0)	0.1667 (0.4082)	0 (0)	0 (0)	0.1667 (0.4082)	0 (0)
3	0.0579 (0.0209)	3.1303 (0.2539)	0.0674 (0.0478)	0.1518 (0.0452)	0.2943 (0.0705)	0.3696 (0.0972)	0.1169 (0.0483)	0.1231 (0.0656)	0.3259 (0.4239)	0.0384 (0.1549)	0.003 (0.0208)	0.0406 (0.1592)	0.0801 (0.2077)	0.0041 (0.022)	0.007 (0.0292)	0 (0)	0.0752 (0.2325)	2.0851 (2.6791)	0.0097 (0.0244)	0.0544 (0.1146)	0.6922 (0.2908)	0.1799 (0.1949)	2.3416 (0.5382)	0.023 (0.028)	0.0789 (0.0621)	0.716 (0.1169)	0.1821 (0.1026)	2.2681 (0.7292)	0.0157 (0.0238)	0.043 (0.0654)	0.6694 (0.1772)	0.2719 (0.1832)	1.6084 (0.4531)	0.0841 (0.0961)	0.0924 (0.096)	0.5967 (0.2482)	0.2055 (0.211)	1.1473 (0.5604)	0.0084 (0.0378)	0.0805 (0.1746)	0.5649 (0.3448)	0.2186 (0.2335)
4	0.0687 (0.0232)	2.9227 (0.1746)	0.1008 (0.0432)	0.1651 (0.0283)	0.2956 (0.0271)	0.3653 (0.0983)	0.0732 (0.047)	0.151 (0.045)	0.1037 (0.1903)	0.0167 (0.0527)	0.0167 (0.0527)	0.2065 (0.2006)	0.0125 (0.0395)	0 (0)	0.5419 (0.2033)	0.0211 (0.0666)	0.0811 (0.1459)	1.8 (0.9189)	0.0048 (0.0151)	0.0589 (0.0744)	0.646 (0.368)	0.1903 (0.3005)	3.404 (0.5903)	0.0366 (0.0379)	0.174 (0.0933)	0.7332 (0.0672)	0.0562 (0.0389)	2.2693 (0.7829)	0.0232 (0.0225)	0.0796 (0.0815)	0.7663 (0.1483)	0.1309 (0.0954)	1.9585 (0.3115)	0.1622 (0.1141)	0.279 (0.2713)	0.5194 (0.2193)	0.0394 (0.049)	1.2683 (0.5954)	0.0381 (0.086)	0.1314 (0.1344)	0.6062 (0.2621)	0.1243 (0.0982)
5	0.073 (0.0184)	2.938 (0.1193)	0.0735 (0.0308)	0.1743 (0.0436)	0.3364 (0.0521)	0.3334 (0.0536)	0.0823 (0.0318)	0.1541 (0.0535)	0.3791 (0.2817)	0.0594 (0.1242)	0.0256 (0.0753)	0.1205 (0.1716)	0.151 (0.2029)	0.0522 (0.1403)	0.0133 (0.0409)	0.0436 (0.1196)	0.0957 (0.1845)	1.6628 (0.8679)	0.0242 (0.0405)	0.0845 (0.0773)	0.7902 (0.1376)	0.0918 (0.0865)	3.0759 (0.7198)	0.0649 (0.0585)	0.151 (0.0582)	0.7005 (0.0774)	0.0836 (0.047)	2.3941 (0.6001)	0.0426 (0.0598)	0.0981 (0.0791)	0.7064 (0.1039)	0.153 (0.0909)	2.0086 (0.5273)	0.1942 (0.1009)	0.2057 (0.1012)	0.5357 (0.1268)	0.0643 (0.0598)	1.5599 (0.5844)	0.0547 (0.0991)	0.1094 (0.1347)	0.6624 (0.2012)	0.1643 (0.1463)

Grupo 1: Alto uso de recursos, mayor discapacidad - 27 barrios

Es un grupo con alto uso de recursos dado que son los que más consultas y urgencias presentan, además de la más alta discapacidad (10.4%). En general, este grupo percibió que tiene un acceso a salud menor que los demás. Es un grupo que geográficamente se encuentra en la periferia del Valle de Aburrá y en algunos barrios del centro de la ciudad.

Mayor número de consultas 3.5932 (1.5984)
Mayor proporción de calidad de consulta buena 0.8653 (0.1567)
Grupo con mayor proporción de discapacidad, 0.1039 (0.0989)
Menor acceso a salud 2.7959 (0.2405)
Mayor percepción de la calidad de la salud mala 0.1141 (0.127)
Mayor negación de la atención por tramitología excesiva 0.1111 (0.3203)
Mayor uso de programas de prevención 2.3148 (2.4696)
Mayor número de asistencias a urgencias 2.341 (1.9364)
Mayor percepción de la calidad de urgencias buena 0.6575 (0.382)
Grupo 2: Bajo uso de recursos - Periferia - 6 barrios

Es un grupo que en general hace un uso diferencialmente menor del sistema de salud, esto sustentado en que atienden menos a consultas, programas de prevención, urgencias y hospitalizaciones. Es un grupo que geográficamente está en la periferia del valle de Aburrá, por lo que probablemente hacen uso de los servicios de salud de otros municipios.

Menor uso de programas de prevención 0.1667 (0.4082)
Menor número de consultas 0.9375 (1.4572)
Menor número de asistencias a urgencias 0.3889 (0.9526)
Menor cantidad de hospitalizaciones 0.1667 (0.4082)
Grupo 3: Mayor calidad y acceso a salud - 47 barrios

Es un grupo que se caracteriza por tener un acceso a la salud considerablemente mayor que los demás, además de que en general calificaron en proporciones altas la calidad de la atención recibida en servicios de consulta y hospitalizaciones como excelente, además de los servicios generales de salud. Es un grupo particularmente concentrado en la comuna 14 - El Poblado y la comuna 11 - Laureles-Estadio.

Mayor acceso a salud 3.1303 (0.2539)
Mayor percepción de la calidad de la salud excelente 0.1169 (0.0483)
Mayor proporción de calidad de consulta especilista excelente 0.2719 (0.1832)
Mayor proporción de calidad de las hospitalizaciones en nivel excelente 0.2186 (0.2335)
Grupo 4: Enfoque en Prevención - 10 barrios

Es un grupo con un acceso a la salud ligeramente mayor a la media, con enfoque diferencial en el uso de programas de prevención, presenta las mayores negaciones de atenciones debido a la falta de dinero y la desconfianza en el personal médico, el 64.6% de éstos considera que sus programas de prevención son buneos y el 19% los considera excelentes. El 73.32% de este grupo considera que sus atenciones en consulta general han sido buenas.

Mayor negación de atención por falta de dinero 0.2065 (0.2006)
Mayor negación de atención por desconfianza del personal médico 0.5419 (0.2033)
Mayor percepción de la calidad de los programas de prevención excelentes 0.1903 (0.3005)
Segunda mayor percepción de la calidad de la consulta general buena 0.7332 (0.0672)
Grupo 5: Alta morbilidad y baja percepción de calidad 218 barrios

Es el grupo con mayor porcentaje de morbilidad y con más barrios de la ciudad, la mayoría de éstos considera que los programas de prevención son buenos 79.02%. Sin embargo, padecen un mayor número de hospitalizaciones y atienden a más consultas con especialistas que el resto de los grupos.

Mayor morbilidad en los últimos 30 días 0.1541 (0.0535)
Mayor negación de atención porque el caso era leve 0.3791 (0.2817)
Mayor calidad de la prevención en nivel bueno 0.7902 (0.1376)
Mayor proporción de calidad de consulta general mala 0.0649 (0.0585)
Mayor número de consultas especialista 2.3941 (0.6001)
Mayor proporción de calidad urgencias mala 0.1942 (0.1009)
Mayor número de hospitalizaciones 1.5599 (0.5844)

Agrupamiento Jerárquico

En general no se concluirá con respecto a los resultados del agrupamiento jerárquico, ya que éste no logró distinguir entre grupos de interés y asocia más de 270 barrios en una categoría a pesar de contar con características diferentes.

cantidad_grupos_jerarquico <- 5

distancia <- dist(clustering_salud)
agrupamiento <- hclust(distancia, method = "complete")
arbol_corte <- cutree(agrupamiento, k = cantidad_grupos_jerarquico)

db_salud_jer <- bind_cols(db_salud, cluster = arbol_corte)
split_db_salud <- split(db_salud, arbol_corte)

Mapa geográfico usando el agrupamiento jerárquico

Análisis descriptivo de los grupos obtenidos con el algoritmo jerárquico

Se presentan igualmente las medias y desviaciones estándar de cada grupo utilizando el agrupamiento jerárquico.

cluster	discapacidad	acceso_salud	calidad_salud_1	calidad_salud_2	calidad_salud_3	calidad_salud_4	calidad_salud_5	morbilidad_30	motivo_negacion_1	motivo_negacion_2	motivo_negacion_3	motivo_negacion_4	motivo_negacion_5	motivo_negacion_6	motivo_negacion_7	motivo_negacion_8	motivo_negacion_9	conteo_prevencion	calidad_prevencion_1	calidad_prevencion_2	calidad_prevencion_3	calidad_prevencion_4	consulta_medico_general	calidad_med_general_1	calidad_med_general_2	calidad_med_general_3	calidad_med_general_4	consulta_medico_especialista	calidad_med_especial_1	calidad_med_especial_2	calidad_med_especial_3	calidad_med_especial_4	consulta_urgencias	calidad_urgencias_1	calidad_urgencias_2	calidad_urgencias_3	calidad_urgencias_4	hospitalizacion	calidad_hospitalizacion_1	calidad_hospitalizacion_2	calidad_hospitalizacion_3	calidad_hospitalizacion_4
1	0.0706 (0.0198)	2.9678 (0.1586)	0.0725 (0.0345)	0.1741 (0.0461)	0.3253 (0.0575)	0.3399 (0.0663)	0.0882 (0.0398)	0.1467 (0.0585)	0.3592 (0.3146)	0.0533 (0.1273)	0.021 (0.0682)	0.1072 (0.1727)	0.1325 (0.2019)	0.0413 (0.1257)	0.0294 (0.1093)	0.0339 (0.1071)	0.1008 (0.2121)	1.8393 (1.5202)	0.0207 (0.0378)	0.078 (0.085)	0.7839 (0.1651)	0.1032 (0.1039)	2.9826 (0.6929)	0.052 (0.0366)	0.1396 (0.0676)	0.7129 (0.0923)	0.0955 (0.0711)	2.3782 (0.6581)	0.037 (0.0552)	0.087 (0.0795)	0.7111 (0.1166)	0.1648 (0.1102)	1.948 (0.5394)	0.1728 (0.1082)	0.1852 (0.1157)	0.5654 (0.151)	0.0766 (0.0783)	1.5196 (0.6302)	0.0467 (0.094)	0.1066 (0.1485)	0.6566 (0.2334)	0.1723 (0.1735)
2	0.0777 (0.0551)	2.9154 (0.3303)	0.1152 (0.1095)	0.1357 (0.1117)	0.4422 (0.2615)	0.2679 (0.1893)	0.039 (0.0509)	0.0612 (0.0819)	0.0083 (0.0362)	0 (0)	0.0526 (0.2294)	0.0111 (0.0483)	0 (0)	0 (0)	0.0222 (0.0966)	0.0111 (0.0483)	0 (0)	0.8421 (0.8983)	0 (0)	0.0088 (0.0382)	0.4123 (0.498)	0.1579 (0.3746)	2.3192 (1.5388)	0.0172 (0.0461)	0.0863 (0.1153)	0.6424 (0.3672)	0.0437 (0.0627)	1.2692 (1.0187)	0.0066 (0.0287)	0.0258 (0.0708)	0.5577 (0.425)	0.0942 (0.1517)	1.0693 (1.2381)	0.1523 (0.3048)	0.059 (0.2295)	0.1666 (0.3097)	0.1484 (0.33)	0.6632 (0.8268)	0 (0)	0.0105 (0.0459)	0.4316 (0.4764)	0.0316 (0.0768)
3	0.0691 (0.0195)	2.9233 (0.437)	0.0958 (0.1257)	0.1558 (0.0767)	0.3854 (0.0667)	0.252 (0.1736)	0.111 (0.0864)	0.0909 (0.0797)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0.6667 (1.1547)	0 (0)	0 (0)	0.3333 (0.5774)	0 (0)	6.8425 (2.6065)	0.4261 (0.2337)	0 (0)	0.5739 (0.2337)	0 (0)	2.8824 (1.0206)	0 (0)	0 (0)	1 (0)	0 (0)	2.5083 (0.4474)	0.5417 (0.5052)	0.2333 (0.4041)	0.1 (0.1732)	0.125 (0.2165)	0.3333 (0.5774)	0 (0)	0.2222 (0.3849)	0 (0)	0.1111 (0.1925)
4	0.0421 (0.0285)	2.553 (0.2145)	0.0496 (0.072)	0.4407 (0.3304)	0.2957 (0.2063)	0.1806 (0.0437)	0.0334 (0.0406)	0.3318 (0.1687)	0.1111 (0.2222)	0 (0)	0 (0)	0.1389 (0.2778)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	1.25 (1.5)	0 (0)	0.0227 (0.0455)	0.4773 (0.5524)	0 (0)	3.3943 (2.326)	0 (0)	0.1429 (0.2857)	0.7624 (0.2448)	0.0948 (0.12)	1.0666 (0.7925)	0 (0)	0 (0)	0.3864 (0.4832)	0.3636 (0.4753)	4.5781 (3.4586)	0 (0)	0 (0)	1 (0)	0 (0)	0.25 (0.5)	0 (0)	0 (0)	0.15 (0.3)	0.1 (0.2)
5	0.4 (0.1414)	2.65 (0.2121)	0.25 (0.3536)	0.1 (0.1414)	0 (0)	0.55 (0.0707)	0.1 (0.1414)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	0 (0)	2 (0)	0 (0)	0 (0)	1 (0)	0 (0)	2 (1.4142)	0 (0)	0 (0)	1 (0)	0 (0)	1 (1.4142)	0 (0)	0 (0)	0.5 (0.7071)	0 (0)	3.5 (2.1213)	0 (0)	0 (0)	1 (0)	0 (0)	0.5 (0.7071)	0 (0)	0 (0)	0.5 (0.7071)	0 (0)

Trabajo 1 TAE - Salud

Luis Daniel Chavarría

12/2/2020